基于时频自适应掩膜和形态学优化的地震数据降噪方法（MATLAB）

算法提出了一种结合同步压缩小波变换、广义交叉验证自适应阈值与形态学连通性分析的地震数据去噪方法。首先，通过高分辨率时频变换将含噪信号映射到时频域，并利用 GCV 准则自动估计各时频点的最优加权系数，实现初步噪声压制；随后，基于像素连通性（4邻域或8邻域）对加权时频系数进行形态学处理，识别并保留有效信号的连续能量团，同时剔除孤立噪声分量，从而在时频域中生成优化的掩膜；最后，通过逆变换重构时域波形，获得最终去噪结果。该方法无需人工设定阈值，能自适应地适应不同噪声水平与信号特征，在有效压制随机噪声的同时，最大限度保留信号的细节和时频结构。通过与硬阈值、软阈值及带通滤波等传统方法的对比，本算法在波形保真度、时频谱清晰度和定量指标（SNR、RMS、相关系数）上均表现出显著优势，尤其适用于复杂非平稳地震记录的处理。

算法步骤

数据加载与预处理

加载含噪地震数据 data_noise 和原始无噪数据 data_e，构建纯净噪声样本，并设置采样率 sample 及时间参数 dt。

根据已知或默认的有效信号频带范围，设定截止频率 opt.f_s 和 opt.f_e，用于后续时频分析的频率轴限定。

配置去噪参数，包括计算 ROV 曲线的起始采样点 opt.nrs 和像素连通性形式 opt.bwconn（4邻域或8邻域）。

同步压缩小波变换

对含噪数据执行同步压缩小波变换，获得高分辨率的时频系数矩阵 dn.org_tf 和频率向量 dn.org_f，同时保留原始信号的时域波形。

对原始无噪数据同样进行 WSST，得到参考时频图 noise_free_tf，用于后续对比和颜色轴标定。

自适应阈值估计与初步去噪

基于广义交叉验证准则或其他统计方法，自动估计每个时频点的最优阈值，生成加权系数矩阵。

将加权系数应用于原始时频系数，得到广义交叉验证加权后的时频系数 dn.gcv_tf，并通过逆变换重构时域信号 dn.gcv_dw，此为中间去噪结果。

形态学后处理与最终去噪

利用设定的连通性参数 opt.bwconn，对加权后的时频系数进行连通区域分析，识别并保留有效信号的能量团块，进一步抑制孤立噪声点。

通过形态学操作（如膨胀、腐蚀或连通域筛选）优化时频掩膜，得到最终时频系数 dn.final_tf。

对优化后的时频系数进行逆同步压缩小波变换，重建最终去噪波形 dn.final_dw。

结果可视化与性能对比

绘制原始无噪信号、含噪信号、广义交叉验证加权信号及最终去噪信号的时域波形和时频谱图，直观展示去噪效果。

嵌入局部放大窗口，对比细节恢复情况。

生成与硬阈值、软阈值、带通滤波等传统方法的对比图，包括波形和时频谱，验证算法优越性。

定量评估

选取初至波前后的窗口，分别计算信号段和噪声段的标准差比值，得到各方法的信噪比（SNR）。

计算各去噪结果与原始无噪信号的均方根误差（RMS）以及最大互相关系数（CC），从统计角度衡量去噪保真度。

担任《Mechanical System and Signal Processing》《中国电机工程学报》《宇航学报》《控制与决策》等期刊审稿专家，擅长领域：信号滤波/降噪，机器学习/深度学习，时间序列预分析/预测，设备故障诊断/缺陷检测/异常检测